> LeekScript 教程
要估算一个函数或一段算法会消耗多少操作数，最好先弄清楚：传给它的参数有多大（或者某个参数有多大），和它最多会执行多少次操作之间，是什么关系。这就是所谓的算法复杂度。
先从一个简单的例子说起：一个 for 循环。
for (var i=0; i N 都有 f(n) n² 的增长比函数 n -> 4^n 慢得多：当 MP 变多时，写得不好的可到达格子函数开销会高得离谱，而同样一个函数写得好，开销仍然合理。
这时自然会想到一个问题：这些 O 要怎么算？又有哪些值得拿来和我们的代码作比较的函数？ 下面我会列出几种经常遇到的复杂度，按从低到高排列，再给出一些估算算法复杂度的计算规则。之后把这些规则组合起来，就能算出一段代码的复杂度了！
--- 经常遇到的复杂度有下面这些，按从低到高的顺序排列：
O(1)：“常数复杂度” O(n)：“线性复杂度” O(n log(n))：“准线性复杂度” O(n²)：“平方复杂度” O(n^k)，k 为整数：“多项式复杂度” O(k^n)：“指数复杂度” O(n!)：“阶乘复杂度（可以证明它和 O(sqrt(2πn)(n/e)^n) 是一回事）”
--- // 开销为 O(g(n)) 的代码，接着是 // 开销为 O(h(n)) 的代码
当两段代码前后相接时，保留其中“较大”的那一项：如果 g 的复杂度高于 h，那么这段代码是 O(g(n)) 的；如果 h 的复杂度高于 g，那么这段代码是 O(h(n)) 的。如果两段代码的复杂度相同，那么整块代码也是同样的复杂度。
前面的例子已经让我们看到 for 循环是怎么表现的：
for (var i=0; i 1），它先算出 n-1 个元素的所有连招，然后对找到的每个连招，往最终返回的列表里添加 2 个（一个是该连招的副本，另一个是该连招再加上列表第一个元素的副本）。 于是，如果用 N(n) 表示输入一个 n 元素列表时返回的连招列表里有多少个元素，那么对 n > 1 有 N(n) = 2*N(n-1)。另外 N(1) = 2，因为列表只含一个元素时，返回的列表里有 2 个连招。这样递推下去，就得到 N(n)=2^n。既然最后有 2^n 个元素，那就是做了 2^n 次 push。我们也可以去数函数调用、count 等等的次数：它们都不会比 push 更多。所以这是一个复杂度为 O(2^n) 的函数。
因此，研究递归函数复杂度的思路，就是找出一个递推公式。这里这个公式特别简单，实际中可能会遇到复杂得多的情况！
--- 最后我来列几个开销随输入变化的 LeekScript 函数（并不完整）。如果没找到你要的函数，就自己测一测，或者到聊天里问问吧！
数组函数：n 是数组的大小
函数 | 开销 ---------|----- arrayFilter | O(n) arrayFoldLeft | O(n) arrayFoldRight | O(n) arrayIter | O(n) arrayMap | O(n) arrayMax | O(n) arrayMin | O(1)（是的，min 和 max 的开销不一样，这确实很离谱……） arrayPartition | O(n) arraySort | O(n log(n)) assocSort | O(n log(n)) average | O(n) fill | 我不知道（背后藏着数组大小的调整） inArray | O(n) join | 呃……这个我也不知道。 keySort | O(n log(n)) pop 和 push | 我不知道（背后藏着数组大小的调整） remove | ? removeElement | ? removeKey | ? reverse | O(n) search | O(n) shift 和 unshift | 我不知道（背后藏着数组大小的调整） shuffle | 理论上是 O(n)。但 LW 的 shuffle 有点可疑，在大数组上的开销还不到 n…… sort | O(n log(n)) sum | O(n)
移动和距离函数：n 是起点到终点之间的 MP 数量
函数 | 开销 ---------|----- getPath | O(n²)（大概吧，我不清楚确切的代码） getPathLength | O(n²)（同样的说明）
Impossible de charger les données du jeu.
Vérifiez votre connexion et réessayez.